如何利用C++搭建個人專屬的TensorFlow

作者：劉曉坤

在開始之前，首先看一下最終成型的代碼：

1. 分支與特征后端（https://github.com/OneRaynyDay/autodiff/tree/eigen）

2. 僅支持標(biāo)量的分支（https://github.com/OneRaynyDay/autodiff/tree/master）

這個項目是我與 Minh Le 一起完成的。

為什么？

如果你修習(xí)的是計算機科學(xué)（CS）的人的話，你可能聽說過這個短語「不要自己動手____」幾千次了。它包含了加密、標(biāo)準庫、解析器等等。我想到現(xiàn)在為止，它也應(yīng)該包含了機器學(xué)習(xí)庫（ML library）。

不管現(xiàn)實是怎么樣的，這個震撼的課程都值得我們?nèi)W(xué)習(xí)。人們現(xiàn)在把 TensorFlow 和類似的庫當(dāng)作理所當(dāng)然了。他們把它看作黑盒子并讓它運行起來，但是并沒有多少人知道在這背后的運行原理。這只是一個非凸（Non-convex）的優(yōu)化問題！請停止對代碼無意義的胡搞——僅僅只是為了讓代碼看上去像是正確的。

TensorFlow

在 TensorFlow 的代碼里，有一個重要的組件，允許你將計算串在一起，形成一個稱為「計算圖」的東西。這個計算圖是一個有向圖 G=(V,E)，其中在某些節(jié)點處 u1,u2,…,un,v∈V，和 e1,e2,…,en∈E，ei=(ui,v)。我們知道，存在某種計算圖將 u1,…,un 映射到 vv。

舉個例子，如果我們有 x + y = z，那么 (x,z)，(y,z)∈E。

這對于評估算術(shù)表達式非常有用，我們能夠在計算圖的匯點下找到結(jié)果。匯點是類似 v∈V，?e=(v,u) 這樣的頂點。從另一方面來說，這些頂點從自身到其他頂點并沒有定向邊界。同樣的，輸入源是 v∈V，?e=(u,v)。

對于我們來說，我們總是把值放在輸入源上，而值也將傳播到匯點上。

反向模式求微分

如果你覺得我的解釋不正確，可以參考下這些幻燈片的說明。

微分是 Tensorflow 中許多模型的核心需求，因為我們需要它來運行梯度下降。每一個從高中畢業(yè)的人都應(yīng)該知道微分的意思。如果是基于基礎(chǔ)函數(shù)組成的復(fù)雜函數(shù)，則只需要求出函數(shù)的導(dǎo)數(shù)，然后應(yīng)用鏈式法則。

超級簡潔的概述

如果我們有一個像這樣的函數(shù)：

對 x 求導(dǎo)：

對 y 求導(dǎo)：

其它的例子：

其導(dǎo)數(shù)是：

所以其梯度是：

鏈式法則，例如應(yīng)用于 f(g(h(x)))：

在 5 分鐘內(nèi)倒轉(zhuǎn)模式

所以現(xiàn)在請記住我們運行計算圖時用的是有向無環(huán)結(jié)構(gòu)（DAG/Directed Acyclic Graph），還有上一個例子用到的鏈式法則。正如下方所示的形式：

x -> h -> g -> f

作為一個圖，我們能夠在 f 獲得答案，然而，也可以反過來：

dx <- dh <- dg <- df

這樣它看起來就像鏈式法則了！我們需要沿著路徑把導(dǎo)數(shù)相乘以得到最終的結(jié)果。這是一個計算圖的例子：

這就將其簡化為一個圖的遍歷問題。有誰察覺到了這就是拓撲排序和深度優(yōu)先搜索／寬度優(yōu)先搜索？

沒錯，為了在兩種路徑都支持拓撲排序，我們需要包含一套父組一套子組，而匯點是另一個方向的來源。反之亦然。

執(zhí)行

在開學(xué)前，Minh Le 和我開始設(shè)計這個項目。我們決定使用特征庫后端（Eigen library backend）進行線性代數(shù)運算，這個庫有一個叫做 MatrixXd 的矩陣類，用在我們的項目中：

class var {// Forward declarationstruct impl;public: ? ?// For initialization of new vars by ptr ? ?var(std::shared_ptr<impl>); ? ?var(double); ? ?var(const MatrixXd&); ? ?var(op_type, const std::vector<var>&); ? ? ? ?... ? ? ? ?// Access/Modify the current node value ? ?MatrixXd getValue() const; ? ?void setValue(const MatrixXd&); ? ?op_type getOp() const; ? ?void setOp(op_type); ? ? ? ?// Access internals (no modify) ? ?std::vector<var>& getChildren() const; ? ?std::vector<var> getParents() const; ? ?...private:  ? ?// PImpl idiom requires forward declaration of the class: ? ?std::shared_ptr<impl> pimpl;};struct var::impl{public: ? ?impl(const MatrixXd&); ? ?impl(op_type, const std::vector<var>&); ? ?MatrixXd val; ? ?op_type op;  ? ?std::vector<var> children; ? ?std::vector<std::weak_ptr<impl>> parents;};

在這里，我們使用了一個叫「pImpl」的語法，意思是「執(zhí)行的指針」。它有很多用途，比如接口的解耦實現(xiàn)，以及當(dāng)在堆棧上有一個本地接口時實例化內(nèi)存堆上的東西?！竝Impl」的一些副作用是微弱的減慢運行時間，但是編譯時間縮短了很多。這允許我們通過多個函數(shù)調(diào)用/返回來保持數(shù)據(jù)結(jié)構(gòu)的持久性。像這樣的樹形數(shù)據(jù)結(jié)構(gòu)應(yīng)該是持久的。

我們有一些枚舉來告訴我們目前正在進行哪些操作：

enum class op_type { ? ?plus, ? ?minus, ? ?multiply, ? ?divide, ? ?exponent, ? ?log, ? ?polynomial, ? ?dot, ? ?... ? ?none // no operators. leaf.};

執(zhí)行此樹的評估的實際類稱為 expression：

class expression {public: ? ?expression(var); ? ?... ? ?// Recursively evaluates the tree. ? ?double propagate(); ? ?... ? ?// Computes the derivative for the entire graph. ? ?// Performs a top-down evaluation of the tree. ? ?void backpropagate(std::unordered_map<var, double>& leaves); ? ?... ? ?private: ? ?var root;};

在反向傳播里，我們的代碼能做類似以下所示的事情：

backpropagate(node, dprev):derivative = differentiate(node)*dprevfor child in node.children:backpropagate(child, derivative)

這幾乎就是在做一個深度優(yōu)先搜索（DFS），你發(fā)現(xiàn)了嗎？

為什么是 C++？

在實際過程中，C++可能并不適合做這類事情。我們可以在像「Oaml」這樣的函數(shù)式語言中花費更少的時間開發(fā)?，F(xiàn)在我明白為什么「Scala」被用于機器學(xué)習(xí)中，主要就是因為「Spark」。然而，使用 C++有很多好處。

Eigen（庫名）

舉例來說，我們可以直接使用一個叫「Eigen」的 TensorFlow 的線性代數(shù)庫。這是一個不假思索就被人用爛了的線性代數(shù)庫。有一種類似于我們的表達式樹的味道，我們構(gòu)建表達式，它只會在我們真正需要的時候進行評估。然而，使用「Eigen」在編譯的時間內(nèi)就能決定什么時候使用模版，這意味著運行的時間減少了。我對寫出「Eigen」的人抱有很大的敬意，因為查看模版的錯誤幾乎讓我眼瞎！

他們的代碼看起來類似這樣的：

Matrix A(...), B(...);auto lazy_multiply = A.dot(B);typeid(lazy_multiply).name(); // the class name is something like Dot_Matrix_Matrix.Matrix(lazy_multiply); // functional-style casting forces evaluation of this matrix.

這個特征庫非常的強大，這就是它作為 TensortFlow 主要后端之一的原因，即除了這個慵懶的評估技術(shù)之外還有其它的優(yōu)化。

運算符重載

在 Java 中開發(fā)這個庫很不錯——因為沒有 shared_ptrs、unique_ptrs、weak_ptrs；我們得到了一個真實的，有用的圖形計算器（GC=Graphing Calculator）。這大大節(jié)省了開發(fā)時間，更不必說更快的執(zhí)行速度。然而，Java 不允許操作符重載，因此它們不能這樣：

// These 3 lines code up an entire neural network!var sigm1 = 1 / (1 + exp(-1 * dot(X, w1)));var sigm2 = 1 / (1 + exp(-1 * dot(sigm1, w2)));var loss = sum(-1 * (y * log(sigm2) + (1-y) * log(1-sigm2)));

順便說一下，上面是實際使用的代碼。是不是非常的漂亮？我想說的是這甚至比 TensorFlow 里的 Python 封裝還更優(yōu)美！我只是想表明，它們也是矩陣。

在 Java 中，有一連串的 add(), divide() 等等是非常難看的。更重要的是，這將讓用戶更多的關(guān)注在「PEMDAS」上，而 C++的操作符則有非常好的表現(xiàn)。

特征，而不是一連串的故障

在這個庫中，可以確定的是，TensorFlow 沒有定義清晰的 API，或者有但我不知道。例如，如果我們只想訓(xùn)練一個特定子集的權(quán)重，我們可以只對我們感興趣的特定來源做反向傳播。這對于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)非常有用，因為很多時候，像 VGG19 這樣的大型網(wǎng)絡(luò)可以被截斷，然后附加一些額外的層，這些層的權(quán)重使用新領(lǐng)域的樣本來訓(xùn)練。

基準

在 Python 的 TensorFlow 庫中，對虹膜數(shù)據(jù)集進行 10000 個「Epochs」的訓(xùn)練以進行分類，并使用相同的超參數(shù)，我們有：

令人驚訝的是，Scikit 是所有這些中最快的。這可能是因為我們沒有做龐大的矩陣乘法。也可能是 TensorFlow 需要額外的編譯步驟，如變量初始化等等?；蛘撸苍S我們不得不在 python 中運行循環(huán)，而不是在 C 中（Python 循環(huán)真的非常糟糕?。┪易约阂膊皇呛艽_定。我完全明白這絕不是一種全面的基準測試，因為它只在特定的情況下應(yīng)用了單個數(shù)據(jù)點。然而，這個庫的表現(xiàn)并不能代表當(dāng)前最佳，所以希望各位讀者和我們共同完善。

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。